阅读提示

这篇是因子库全景导览，带你走一遍 betalens-factor/ 下现有的因子家族——WorldQuant ALPHA101、中信高频行为因子、流动性需求/预期分歧、通达信指标。看完这篇，你会理解每个因子家族的适用场景，以及如何在 Dashboard 里把它们跑起来。

导言

betalens-factor/ 是 Betalens 的因子仓库，每个子目录对应一个因子家族。目前包含四大类：

目录 家族名称 因子数量 典型应用
alpha101/ WorldQuant ALPHA101 101 经典量化选股
citic_hf_behavior/ILLIQ_v2 中信高频行为 1 市场微观结构
LiqDemand/DISP 流动性需求/预期分歧 2 机构行为
tdx/ 通达信指标 RSI系列、XICHOU等 技术分析择时

因子目录下，每个因子有 一对文件：factor_<NAME>.py（计算逻辑）和 factor_<NAME>.yaml（配置参数）。Dashboard 会自动扫描这些 YAML 并在界面上展示。

一、WorldQuant ALPHA101

目录：betalens-factor/alpha101/

这是 Betalens 里规模最大的因子家族，包含 WorldQuant 在 2014 年发布的 101 个经典 Alpha 因子（ALPHA1 ~ ALPHA101）。每个因子都是基于日行情数据（开盘价、最高价、收盘价、最低价、成交量）的数学表达式，设计初衷是作为量化因子研究的基准。

典型因子

ALPHA1（均值回归 + 成交量加权）：

$$\text{ALPHA1} = \text{rank}(\text{TSARS}((\text{open} \times 0.85 + \text{close} \times 0.15), 12)) - \text{rank}(\text{TSARS}(\text{delta}(\text{volume}, 3), 6))$$

ALPHA2（开盘跳空 + 成交量加权）：

$$\text{ALPHA2} = -\text{corr}(\text{rank}(\text{open}), \text{rank}(\text{volume}), 10)$$

ALPHA6（收盘价相对位置）：

$$\text{ALPHA6} = -\text{corr}(\text{rank}(\text{open}), \text{rank}(\text{high}), 10) + \text{rank}(\text{open} - \text{thsreg_linear_val}((\text{open} - \text{close}) / (\text{high} - \text{low} + 1e-12), 16))$$

在 Dashboard 里跑 ALPHA101

  1. 打开 Dashboard：http://127.0.0.1:5173
  2. 进入”截面因子”页面
  3. 在因子列表里找到 alpha101/ALPHA1（或任意编号）
  4. 修改运行参数（start_date、end_date、n_quantiles）
  5. 点击”运行”，等待回测完成
  6. 查看报告：净值曲线、IC 分析、分组收益

ALPHA101 的局限性

  • 全是日行情因子：不使用基本面数据，所以对财报披露类事件没有暴露。
  • 参数固定：原始 ALPHA101 没有参数搜索，每个因子都是”一个固定公式”。Betalens 的 mining 模块可以在 ALPHA101 基础上做参数化扩展。
  • 计算密集：101 个因子全部跑一遍需要不少时间，alpha101/mining/ 目录下有预配置的参数扫描入口。

二、中信高频行为因子（ILLIQ_v2）

目录：betalens-factor/citic_hf_behavior/ILLIQ_v2/

ILLIQ（Illiquidity）是由 Amihud 提出、Pastor & Stambaugh 改进的流动性度量指标——非流动性比率，衡量”单位交易额对价格的冲击”。中信建投在 2020 年前后推出了高频版本 ILLIQ_v2，通过分钟级数据精确度量日频非流动性。

公式核心思想：

$$ILLIQ = \frac{1}{D} \sum_{d=1}^{D} \frac{|r_d|}{VOL_d}$$

其中 $|r_d|$ 是日收益率绝对值，$VOL_d$ 是日成交量（金额），$D$ 是月度交易日数。

ILLIQ 的金融含义

  • ILLIQ 越高：小额交易就能引起大价格波动 → 流动性差 → 机构卖出困难。
  • ILLIQ 低：需要大额交易才能移动价格 → 流动性好 → 机构买卖容易。
  • 择股逻辑：低 ILLIQ（高流动性）股票更适合大资金进出，预期未来有正超额收益。

使用方式

在因子 YAML 中配置：

1
2
3
4
5
6
7
8
9
10
11
meta:
  class: citic_hf_behavior
  name: ILLIQ_v2
factor_spec:
  inputs:
    ret_abs: 收益率(%)
    volume: 成交额(元)
  compute_kwargs:
    window_days: 20  # 计算窗口
  direction: negative  # ILLIQ 越低越好 → negative
  table_name: daily_market

三、流动性需求与预期分歧（DISP）

目录：betalens-factor/LiqDemand/DISP/

DISP（Dividend Yield + Institutional Demand + Spread）是一个复合因子，整合了三个维度：

  1. 股息率（D）：高股息 → 价值型、机构偏好。
  2. 机构需求代理（I）：用换手率、成交量异常度量机构参与度。
  3. 买卖价差（SP）：高频价差代理流动性成本。

DISP = $\alpha \cdot D + \beta \cdot I - \gamma \cdot SP$

三个子维度可以独立调参，在 factor_DISP.yaml 的 compute_kwargs 中修改权重。

四、通达信指标（tdx）

目录：betalens-factor/tdx/

通达信是国内使用最广泛的股票行情软件之一，其指标体系在散户群体中有大量追随者。Betalens 的 tdx 目录把一些经典通达信指标实现为因子，并支持在 Dashboard 里直接参数化运行。

RSI 系列（RSI_FAST / RSI_SLOW）

相对强弱指数（RSI）是最经典的技术指标之一：

$$RSI = 100 - \frac{100}{1 + RS}, \quad RS = \frac{\text{avg gain}}{\text{avg loss}}$$

1
2
3
4
factor_spec:
  compute_kwargs:
    window: 14  # RSI 窗口（RSI_FAST 用 6，RSI_SLOW 用 24）
  direction: positive  # RSI 高 → 超买，但有时高 RSI 也意味着趋势强

XICHOU（侯神吸筹能量）

XICHOU 是一个趋势跟踪类指标，只在最低价创 N 日新低时累积能量：

1
2
3
4
5
6
7
8
factor_spec:
  compute_kwargs:
    sma_n: 3    # SMA 平滑窗口
    ema_n: 3    # EMA 平滑窗口
    llv_n: 15   # N 日新低判断窗口
  direction: positive  # 吸筹能量越高 → 越看多
  use_industry: true   # 做行业中性化
  industry_scheme: 申万一级行业

XICHOU 择时版（XICHOU_timing）

tdx/XICHOU 目录下还有一个 factor_XICHOU_timing.py/yaml，是单标的择时策略而非截面因子：

1
2
3
4
5
6
7
8
meta:
  strategy_type: timing   # ← 这行标记为择时策略
factor_spec:
  compute_kwargs:
    stock_code: 300750.SZ  # 宁德时代
    trigger_threshold: 0.1
    max_weight: 1.0         # 最高满仓
    duration_quantile: 0.8   # 历史触发持续天数达到 80% 分位才开仓

择时策略不走截面分组，而是直接生成目标仓位（0~1 的比例），与 BacktestBase 的 actual_weight 机制配合使用。

在 Dashboard 里探索因子库

无论哪个家族的因子，Dashboard 的使用流程都是一样的：

1
因子发现 → 选择因子 → 修改参数（compute_kwargs / run） → 运行 → 查看报告

因子 YAML 是唯一权威配置——Dashboard 页面参数最终会写入 outputs/runs/<run_id>/run_config.yaml，然后用这份文件构造 FactorPipeline 并运行。理解了这个流程，你就可以：

  • 不改代码，只改 YAML：在 Dashboard 里调参，不需要碰 Python。
  • 改代码，再改 YAML：在因子脚本里实现新逻辑，更新 compute_kwargs 的默认值。
  • 新增因子：在 betalens-factor/<class>/<NAME>/ 下创建 factor_<NAME>.py 和 YAML，Dashboard 自动发现。

开发者侧：因子目录结构规范

每个因子家族的目录结构：

1
2
3
4
5
6
7
8
9
10
11
12
13
betalens-factor/
  <factor_class>/                    # 如 alpha101, tdx, citic_hf_behavior
    class_<factor_class>.yaml        # 家族级配置
    factor_template_<factor_class>.py # 家族模板（可选）
    mining/                           # 参数挖掘配置
      run.py
      parameter_space.yaml
    <FACTOR_NAME>/                    # 每个具体因子
      factor_<FACTOR_NAME>.py         # 计算逻辑
      factor_<FACTOR_NAME>.yaml        # 配置参数
      outputs/
        legacy/
        runs/

关键约束：import 因子脚本时不跑回测、不写文件。回测只在 FactorPipeline.run() 时执行。这保证了因子脚本可以在不产生副作用的情况下被 Dashboard 动态导入。

延伸阅读